Оценка спроса на нефтепродукты

Размещено на http://www.allbest.ru/

Введение

Топливно-энергетический комплекс оказывает огромное влияние на развитие экономики России. Наша страна очень зависима от цен на нефть, так как доходы от ее экспорта - основной ее доход. В то же время переработка нефти является перспективным ресурсом, поэтому задача оценки спроса на нефтепродукты, а также ее прогноз становится актуальной.

В отличие от долгосрочного прогнозирования, которое формируется государством и регионами, краткосрочное также представляет не меньший интерес для хозяйствующих субъектов, поскольку от него зависит текущая деятельность предприятий.

Основная цель исследования - провести оценку спроса на нефтепродукты для последующего возможного использования полученных данных нефтеперерабатывающими компаниями при планировании финансового результата на следующий месяц или год. Для достижения этой цели необходимо решить несколько задач:

1) Определить понятие спроса и спроса на нефтепродукты;

2) Рассмотреть методы предыдущих исследований по оценке спроса на нефтепродукты;

3) Рассмотреть теорию выполнения оценки по данным методам;

4) Произвести оценку методом из теории;

5) Предложить альтернативный метод оценки спроса на нефтепродукты;

6) Спрогнозировать оценку.

Профессиональная значимость работы заключается в применимости разработанной методологии для определения прогнозируемого спроса на бензин, дизельное топливо, а также возможности ее использования при планировании деятельности вертикально интегрированных нефтяных компаний и составлении производственных программ для нефтеперерабатывающих заводов.

Методами исследования выбраны: синтез, обобщение, анализ, моделирование, визуализация полученных результатов. Новизна данного исследования состоит не только в рассмотрении стандартных методик по оценке нефтепродуктов, но и в предложении альтернативной.

Структура работы представляет собой введение, две главы - теоретическая и практическая, заключение, список использованной литературы и приложение, включающее в себя иллюстрирующий материал в форме таблиц и рисунков.



1.1 Понятие спроса на нефтепродукты

спрос нефтяной топливо компания

Для того, чтобы оценить спрос на нефтепродукты, необходимо определить данное понятие. В соответствии с курсом микроэкономики, спрос отражает зависимость количества товаров, которое готов купить потребитель, от цены. Если изобразить его на графике в координатах цена-количество, он будет иметь нисходящий тренд: чем выше цена, тем меньшее количество товара согласен купить покупатель. Кроме того, спрос зависит от доходов: при увеличении доходов количество товаров при той же цене увеличивается. Графически, кривая спроса сдвигается вправо (рис. 1) Оранжевым пунктиром изображена цена.

Рис. 1 Сдвиг кривой спроса

Обратной стороной рынка выступает предложение - тоже зависимость от цены количества товара, но уже то, которое может предложить продавец при данной цене. Предложение имеет восходящий тренд: чем выше цена, тем больше товара готов предложить продавец. Кроме того, предложение зависит от понесенных при производстве затрат: выплата заработной платы, процентов по кредитам, затраты на покупку сырья и материалов. Увеличение затрат ведет уменьшению предложения. При равенстве спроса и предложения определяется равновесная цена и равновесный объем товара. (рис. 2)

Рис. 2 Равновесие рынка

Так определяется спрос в микроэкономике, однако, чтобы определить спрос не только одного потребителя и сравнить с предложением не только одного завода, необходимо рассмотреть макроэкономическое понятие спроса. В макроэкономике существует понятие совокупного спроса - объем конечных товаров и услуг, который готовы купить потребители, предприятия и государства при заданном уровне цен. На рис. 3 можно видеть его графическое представление (его общепринятое обозначение - AD).

Рис. 3 Совокупный спрос

На рисунке видно, что зависимость реального производства от уровня цен отрицательна. Связано это с изменениями составляющих совокупного спроса: потребительского спроса, инвестиционного спроса, спроса со стороны государства и чистого экспорта:

AD=C+I+G+Xn, (1)

где С - потребительский спрос населения,

I - спрос предприятий на инвестиции,

G - госзакупки

Xn - чистый экспорт

Таблица 1

Изменение составляющих совокупного спроса при росте общего уровня цен

Составляющая совокупного спроса	Эффект от роста общего уровня цен
Потребительский спрос населения,	Реальная покупательская способность падает => потребители покупают меньше
Спрос предприятий на инвестиции,	Рост процентных ставок р Кредит становится дороже р Фирмы не осуществляют новых инвестиций
Госзакупки	Расходы госбюджета растут => реальная величина госзакупок сокращается
Чистый экспорт = Экспорт - Импорт	Импорт растет, так как за границей купить становится дешевле; экспорт падает, так как товары становятся дороже

Несомненно, макроэкономическое понятие спроса глобальнее спроса на отдельный товар (нефтепродукты, либо отдельный их вид). В то же время, составляющие спроса на нефтепродукты могут быть аналогичными: спрос на нефтепродукты со стороны потребителей, со стороны государства, чистый экспорт нефтепродуктов.

Кроме того, в действительности, на реальных данных, графики нарисовать практически невозможно. Ведь на самом деле, в определенный момент времени мы можем наблюдать единственное значение спроса при текущей цене. Поэтому, чаще всего в жизни под словом «спрос» имеют в виду количество при настоящей цене. Для того, чтобы определить, какой показатель можно рассматривать как спрос на нефтепродукты, а также в качестве предложения для последующего сопоставления, необходимо определить понятие нефтепродукта.

Нефтепродукты - смеси углеводородов, а также индивидуальные химические соединения, получаемые из нефти. Нефтепродукты получаются в результате химического процесса - перегонки нефти, от которой при разных температурах отделяются вещества (отгоны) в парообразном состоянии.

Основные категории нефтепродуктов это:

· Лигроин

· Бензин автомобильный

· Керосин

· Дизельное топливо

· Газойли тяжелые

· Масла и смазки

· Мазут

· Битумы

Нефтепродукты, относящиеся к каждой из категорий, можно видеть в приложении 1.

Таким образом, в общем и целом нефтепродукт - однородное вещество. Поэтому, для оценки спроса можно рассматривать его объем: объем определенного вида нефтепродуктов, который готовы купить его потребители, государство и его чистый экспорт. Для оценки внутреннего спроса по России - то же, но без экспорта.



1.2 Обзор методик оценки и прогнозирования спроса

Планирование спроса на нефтепродукты есть необходимый элемент при планировании деятельности нефтеперерабатывающих компаний. От эффективности планирования зависит эффективность управления запасами, графика производства, перевозок и т. д. Также, от прогнозов спроса зависят остальные планы (например, бюджет доходов и расходов) и в конечном счете, успешность компании.

При планировании спроса на нефтепродукты, в отличии от нефти, необходимо рассматривать каждый нефтепродукт по отдельности. Например, факторы, влияющие на спрос на бензин, разнятся с факторами, влияющими на спрос на дизельное топливо. Рынки разных нефтепродуктов имеют разных потребителей, разную сезонность и т. д.

При выборе статистического инструментария принято полагаться на:

1) Эффективность затрат

2) Единый прогноз

3) Возможность настройки отдельных параметров: точности, горизонта и т. д.

Самый популярный подход прогнозирования сегодня в российских компаниях - использование интуитивных прогнозов, исходя из продаж предыдущих периодов. Хотя этот метод и отличается простотой, однако он не учитывает такие факторы, как развитие рынка, цены конкурентов, логистические ограничения и т. д. Кроме того, уровень автоматизации подобного процесса низок, что приводит к необходимости разработки другого метода для отечественных компаний. Например, в зарубежных странах введена программа Demand Management, которая автоматически подбирает параметры и создает прогноз. Однако, о внедрении такой программы в России источников нет. Для введения такой системы в нашей стране необходимо учитывать особенности различных нефтепродуктов и составлять систему для каждого вида в отдельности.

В то же время слишком точный прогноз спроса с выстраиванием сложных математических моделей не приводят к ожидаемому преимуществу, так как временные, трудовые затраты не соизмеримы с получаемыми результатами. Поэтому принято использовать стандартные статистические методы, среди которых выделяют два подхода:

1) Модели экстраполяции временных рядов;

2) Методы прогнозирования на основе факторных регрессионных моделей

Модели экстраполяции временных рядов используют для краткосрочного прогноза, от которого как раз зависит текущая деятельность компаний. Основные методы, используемые для моделирования временных рядов, это: методы экспоненциального сглаживания (модель Брауна, Хольта); методы Бокса-Дженкинса (ARIMA, ARMA).

При составлении же регрессии можно определить не только прогноз, как, основываясь на динамическом ряде, можно определить экстраполяцией временного ряда, но и установить факторную зависимость нефтепродуктов. Для составления такой модели понадобится больше данных, однако причинность увеличивает информативность прогноза.

Кроме того, при составлении факторной модели, затрачивается больше временных и трудовых ресурсов не только при сборе данных: необходимо выбрать спецификацию модели, то есть отобрать значимые переменные, выбрать тип связи переменных, устранить проблему мультиколлинеарности, оценить модель и ограничения, интерпретировать результаты.

Вообще, выделяет два подхода, используемых для составления регрессии, описывающий спрос на энергию и топливо, в том числе на нефтепродукты в частности:

р модели сверху-вниз (top-down models), где спрос зависит от крупного макропараметра (например, ВВП, численность населения)

р модели снизу-вверх (bottom-up models), когда спрос зависит от множества факторов

Моделям снизу-вверх стоит отдать преимущество, так как ВВП описывает экономику в целом, не углубляясь. Причинная связь при модели сверху-вниз не явная, в то время как в моделях снизу-вверх больше вероятность получить хорошую интерпретацию модели.

Самыми распространёнными нефтепродуктами являются бензин, дизель и мазут. Рынок автобензина и дизельного топлива считается стабильным и спрос на него может быть спрогнозирован многофакторной регрессионной моделью, где спрос зависит от таких переменных, как грузооборот транспорта, оборот розничной торговли бензином или дизелем, расходы населения на данные виды нефтепродуктов и т. д.

Что же касается мазута, рынок подвержен изменениям и поэтому спрос на мазут не является стабильным. Основные потребители мазута:

р электростанции (в качестве котельного топлива)

р суды (в качества бункеровочного топлива)

р строительство (например, дорог)

р производство (например, металлургия)

В последнее время использование мазута в судах является приоритетным ввиду модернизации промышленности, роста энергоэффективности и скидок в российских портах на бункеровку. Однако, все больше ограничений вводится на выбросы вредных веществ Это может понизить спрос на мазут со стороны судов, что приведет к изменению тренда спроса на мазут в целом. Поэтому, статистические прогнозы могут иметь большую вероятность ошибки, а использовать для прогнозирования спроса на мазут, например, Тоткало и Хрипунова предлагают метод Delphi, при котором эксперты проходят анкету, и только после анализа экспертных мнений составляется консенсус-прогноз. В то же этот метод достаточно затратный.

Таким образом, при составлении прогноза на нефтепродукты необходимо составлять отдельные модели для каждого вида нефтепродуктов. Самыми популярными нефтепродуктами по относительным объемам производства являются бензин, дизель и мазут. Спрос на бензин и дизель может быть объяснен и спрогнозирован при помощи составления многофакторной регрессионной модели или экстраполяцией временных рядов. Теоретические аспекты данных методов будут описаны в работе далее. Прогноз же спроса на мазут может оказаться неточном в связи с нестабильностью рынка мазута, в связи с чем при прогнозировании возможны дополнительные затраты на метод Delphi.

1.3 Теоретические аспекты прогнозирования с составлением множественной регрессии по методу наименьших квадратов

Один из возможных методов объяснения и оценки спроса на нефтепродукты в будущем является составление регрессионной модели методом наименьших квадратов. Регрессионный анализ позволяет оценить зависимость экономического показателя У от одной переменной Х при парной регрессии и различных переменных Х1, Х2…Хm при множественной регрессии с учетом возможных остатков е.

На основе вида зависимости регрессанта У от регрессоров Х определяют вид модели - ее спецификацию. Например, спецификация линейной модели парной регрессии имеет вид:

У_i=У_хi+ е_i, (2)

где У_i - фактическое значение зависимой переменной У;

У_хi - теоретическое значение зависимой переменной У;

е_i, - остаток регрессии;

В то же время существуют другие представления модели:

1) Теоретическое уравнение регрессии: Уi=б+вxi+е_i, где б - свободный член; в - коэффициент регрессии, показывающий, на сколько изменится Уi при изменении хi на единицу; е_i, - случайное отклонение, возникающее в следствие не учтенных в модели факторов и случайных ошибок;

2) Эмпирическое уравнение регрессии: Уi=Ь+вxi+ei, где где Ь - эмпирическая оценка свободного члена регрессии; в - оценка коэффициента регрессии, показывающий, на сколько изменится Уi при изменении хi на единицу; е_i, - остаток регрессии;

В регрессии, построенной по методу наименьших квадратов (МНК), сумма квадратов отклонений фактических значений зависимой переменной У от расчетных Ух минимальна Ух:

Для того, чтобы оценки модели были:

1)

несмещенными, то есть мат ожидание оценки параметра было равно значению параметра: , где М - математическое ожи-дание;

2)

Состоятельны, то есть дисперсия оценки параметра стремится к нулю при большом количестве наблюдений: , где D - дисперсия;

3) Эффективны, то есть их дисперсия наименьшая в сравнении с другими оценками в классе линейных функций;

необходимо выполнение условий теоремы Гаусса-Маркова:

1) Математическое ожидание случайного отклонения е_i равно нулю для всех наблюдений

2) Дисперсия случайных отклонений е_i постоянна. Выполнение предпосылки называется гомоскедатичностью, нарушение - гетероскедастичностью

3) Случайные отклонения е_i и е_j являются независимыми друг от друга для i ? j. Выполнение данной предпосылки говорит об отсутствии автокорреляции, нарушение - о присутствии автокорреляции:

4) Случайное отклонение должно быть независимо от объясняющих переменных:

5) Модель линейна относительно параметров.

В настоящее время все значения коэффициентов модели, дисперсии., мат ожидания считаются автоматически а программе Eviews. Для того, чтобы использовать эконометрическую модель, необходимо, чтобы она и коэффициенты перед регрессорами были значимы, а также, чтобы она удовлетворяла условиям отсутствия мультиколлинеарности (высокой корреляции между регрессорами), автокорреляции (зависимость случайного члена в любом наблюдении от его значений во всех других наблюдениях), гетероскедастичности (непостоянство дисперсии остатков). Для этого проводят статистические тесты, статистики которых также можно автоматически посчитать в программе, и методы визуального анализа, которые приведены в таблице 2.

Таблица 2

Тесты и визуальный анализ, применяемые при составлении эконометрической модели

Название	Нулевая гипотеза Н0 для тестов, черты для визуального анализа	Для чего
Визуальный анализ графика значений планируемого регрессанта и регрессоров.	_	Увидеть визуально тренд, если он есть. Взять логарифмы переменных или приращения для устранения проблемы.
Визуальный анализ гистограммы переменных	Гистограмма должна визуально напоминать нормальное распределение.	Увидеть выбросы, чтобы затем задать условие не попадания в них для лучше
Тест Жака-Бера, визуальный анализ гистограммы остатков.	S=0 и К=0, где S-коэффициент асимметрии; К-коэффициент эксцесса; Распределение нормальное	Судить о нормальности ошибок наблюдения.
LM-тест на наличие автокорреляции	Автокорреляции нет.	Данный тест может проводиться, если ошибки распределены нормально.
Анализ попарных корреляций между регрессорами, VIF, R2	1) Корреляция между регрессорами не должна быть выше 0,6-0,8 (насколько это возможно) 2) VIF (коэффициент увеличения дисперсии) не должен превышать 5 3) Высокое значение R2 может говорить о хорошей подгонке, однако при его значении свыше 0,9 может свидетельствовать о мультиколлинеарности	Выявить мультиколлинеарность. Для решения проблемы можно убрать регрессор, значения которого сильно коррелируют с другими., либо задать вспомогательную переменную, равную единице при слишком большом или слишком маленьком значении регрессора или регрессанта и включить в модель.
Тест на гетероскедастичность (Тест Вайта)	Гетероскедастичности нет	Позволяет выявить непостоянство дисперсии. Возможно внести корректировки Вайта для преодоления проблемы гетероскедастичности

Для того, чтобы спрогнозировать зависимую переменную на шаг вперед, необходимо задать значения регрессоров. Один из способов - взять их медианные значения и построить модель с ними. Для этого в Eviews генерируется еще одно наблюдение с медианными значениями.

Таким образом, множественная регрессия позволяет спрогнозировать спрос на нефтепродукты, исходя из зависимости от определенных факторов. Таковыми может выступать ВВП (для всех видов нефтепродуктов), количество машин, автобусов, грузовиков (для оценки спроса на бензин), количество поездов, использующих дизель и их удельный вес в общем количества поездов в РЖД (для дизеля) и т.д. В данном пункте работы была приведена теоретическая основа работы с данными для составления модели множественной регрессии.

1.4 Теоретические аспекты прогнозирования методиками анализа временных рядов

Анализ временных рядов посвящен эконометрическим моделям, в которых применяются переменные с лагом, то есть сдвинутые во времени на предыдущий шаг. В то время как в обычных эконометрических моделях (рассмотренных в предыдущем пункте) регрессант зависит от значений переменных, то есть экономической системы в текущий момент времени, и определяется ей, в модели, включающей переменную с лагом, поведение системы объясняется также траекторией, по которой система пришла в данное состояние. Такая модель представляет собой функцию зависимости не от переменных, а от траектории. Для этих моделей требуются особые приемы анализа.

Связано это с тем, что некоторые типы траекторий не описываются регрессией по методу наименьших квадратов. При значимых коэффициентах и проверках стандартными тестами, на самом деле зависимости между экономическими показателями нет. Нельсон и Канг назвали такие регрессии кажущимися (spurious). В 1987 году Нельсон и Плоссер показали, что большее число исторических макроэкономических рядов США являются таковыми.

Итак, временной ряд - это совокупность наблюдений экономического показателя в разные моменты времени. Причем показатель может быть как типа запаса (в один момент времени), как цена нефтепродукта, так и типа потока, как потребление нефтепродуктов в определенный промежуток времени. Временной ряд рассматривается как выборка из последовательных случайных величин, совокупность которых называется стохастическим процессом или дискретным случайным

Реализация случайного процесса - это последовательность значений случайной величины, зависящая только от времени при фиксированном случае. То есть, временной ряд есть реализация стохастического процесса.

Наиболее полной характеристикой стохастического процесса является совместная функция распределения или функция плотности распределения, если она существует. Так как число случайных величин во временном ряде велико, для определения его свойств необходимо рассматривать совокупность функций распределения: одномерная f1(x_t1), двумерная f₂(x_t1,x_t2) и т.д.

Однако, рассматривать все функции распределения, как правило, не приходится, потому что у временного ряда обычно рассматривается только одна реализация. Кроме того, если статистические характеристики ряда постоянно меняются, о нем ничего нельзя сказать. Поэтому при анализе временных рядов рассматривают стационарные случайные процессы: у такого процесса свойства с течением времени не меняются. Существует два типа стационарности.

1) Строгая стационарность (стационарность в узком смысле)

Процесс называется строго стационарным, если сдвиг во времени не приводит к изменению функции плотности (распределения, если функции плотности не существует). Из этого следует, что при существовании математического ожидания и дисперсии (когда соответствующие интегралы сходятся), они не зависят от времени. Действительно:

(2)

гдеE{Xt} - матожидание случайной величины Xt,

z - значение случайной величины,

f₁(z) - функция плотности распределения при данном значении;

(3)

гдеCov - ковариация случайной величины X_t1 и Xt_2.

Из формул видно, что при одинаковых функциях распределения, вне зависимости от времени, математическое ожидание и дисперсия также останутся неизменными. Кроме того, произведя замену переменной можно увидеть, что ковариация зависит не от t₁ и t₂, а от разности (t₁-t₂). Совокупность всех ковариаций при различных расстояниях между моментами времени называется автоковариационной функцией. Следовательно, она также зависит не от моментов t₁, t₂ и других, а от их попарных разностей.

Используя значение автоковариационной функции, можно найти коэффициент корреляции между разделенными на тау значениями временного ряда:

(4)

Где с(ф) - коэффициент корреляции;

г(ф) - автоковариации, где ф ? (-?;+?);

г(0) - автоковариационная функция для 0; дисперсия.

Этим выражением определяется автокорреляционная функция временного ряда

2) Слабая стационарность, или стационарность в широком смысле

Если у случайного процесса дисперсия и матожидание не зависят от времени, а автокорреляционная функция зависит только от разности (t₁-t₂), то такой процесс называется слабо стационарным. Всякий строго стационарный процесс является слабо стационарным, однако обратное утверждение выполняется не всегда.

Самые частые случайные процессы во временных рядах - это, во-первых, белый шум е_t: процесс, который удовлетворяет условиям теоремы Гауса-Маркова (матожидание равно нулю, дисперсия постоянна и шумы не коррелируют). Такой процесс является стационарным в широком смысле, а также в узком, если случайные величины е_i распределены по нормальному закону. Во-вторых - процесс случайного блуждания, который можно представить в виде X_t=X_t-1+ е_t. Он не является стационарным, так как его дисперсия зависит от времени, однако при взятии первой разности получается новый временной ряд: X_t - X_t-1= е_t., который является стационарным. Взятие первой разности является одним из способов приведения нестационарного ряда к стационарному (однако, не всегда).

В 1938 г. Вольд доказал, что всякий недетерминированный стационарный в широком смысле процесс (который нельзя точно предсказать) можно представить в виде линейной комбинации белых шумов с разными коэффициентами:

(5)

гдем_t - матожидание процесса

е - белый шум.

Иногда это выражение называют линейным фильтром. Для его выполнения необходимо условие сходимости по вероятности, т. е. У|ш| < ?.

При составлении модели временного ряда используют МА, либо AR-процессы. Дискретный случайный процесс называется процессом скользящего среднего (МА - moving average) порядка q, если в разложении Вольда только q слагаемых.: , где . Его текущее значение объясняется q предыдущими значениями белого шума. Часто такую модель составляют тогда, когда данные сильно колеблются. Любой МА-процесс стационарен.

Случайный процесс называется процессом авторегрессии (AR - autoregression) порядка p, если он определяется линейной комбинацией p предыдущих значений и белым шумом: X_t=б₁X_t-1+б₂X_t-2+е_t. AR стационарен, когда корни характеристического уравнения лежат внутри единичной окружности: |бi| < 1 при любом i.

Далее в таблице приведены основные тесты, используемые при анализе временных рядов:



Таблица 3

Тесты и визуальный анализ, применяемые при составлении модели с временным рядом

Название	Нулевая гипотеза Н0 для тестов, черты для визуального анализа	Для чего
Визуальный анализ графика значений ряда	_	Увидеть визуально тренд, если он присутствует в начале анализа
Визуальный анализ коррелограммы	У стационарного AR ряда автокорреляционная функция (ACF) медленно убывает, а частная автокорреляционная функция (PACF) имеет всплеск, а затем значительно убывает. Значимые p лежат справа на коррелограмме частной автокорреляционной функции. Коррелограмма разностей не харакетризуется автокорреляцией. У MA процесса коррелограмма остатков резкий обрыв ACF и постепенное спадание PACF. Также, может встречаться ARMA процесс с особенностями и AR и MA процессов.	Определить вид процесса.
Тест Дикки-Фуллера	Ряд нестационарный	По наличию единичного корня определяет нестационарность ряда
Критерии Акайка и Шварца	Не должны увеличиваться при добавлении значимых членов авторегрессии, видные из коррелограммы
Тест на гетероскедастичность (Тест Вайта/ARCH)	Гетероскедастичности нет	При разной волатильности ряда на отдельных промежутках дисперсия может быть не постоянной - это проблема гетероскедастичности.

При наличии гетероскедастичности составляют модели с условной гетероскедастичностью: ARCH (Autoregressive Conditional Heteroscedastic model) и GARCH (Generalized Autoregressive Conditional Heteroscedastic model). В первой условная дисперсия (которая зависит от времени), выражается квадратом значений прошлых периодов:

где б₀ - коэффициент задержки;

В GARCH-модели условная дисперсия зависит так же от квадрата значений прошлых периодов и, кроме этого, от квадратов оценок предыдущих дисперсий:

(7)

гдеp - количество предшествующих оценок, влияющих на текущее значение,

с - весовые коэффициенты, отражающие степень влияния предыдущих оценок на текущее значения.

Таким образом, в данной части работы было введено понятие временного ряда, основные свойства ряда, определение стационарности ряда, описаны возможные процессы, используемые при моделировании рядов, а также основные тесты. Данная теория станет основой при прогнозировании спроса на нефтепродукты методом анализа временных рядов по отгрузке нефтепродуктов в практической части работы.

Подводя итоги главы, необходимо отметить:

1) Для рассмотрения спроса на конкретный товар (нефтепродукт) необходимо рассмотреть микроэкономическое и макроэкономическое понятия спроса.

2) Так как нефтепродукты - однородные вещества, для оценки спроса на них можно рассматривать его объем: объем определенного вида нефтепродуктов, который готовы купить его потребители, государство и его чистый экспорт. Следует рассматривать спрос на каждый вид нефтепродукта в отдельности.

3) Для краткосрочного прогноза спроса на нефтепродукты исследователи обычно применяют методики анализа временных рядов, для долгосрочного - моделируют множественную регрессию.

4) Множественная регрессия для оценки спроса на нефтепродукты в будущем может быть типа сверху-вниз, когда спрос зависит от макропараметров, которые могут влиять на спрос на все нефтепродукты, и снизу вверх - от регрессоров, влияющих только на определенный нефтепродукт.



2. Оценка спроса на бензин и дизельное топливо в настоящем и будущем в Российской Федерации

2.1 Оценка спроса на нефтепродукты в настоящем времени

Как уже было сказано в теоретической части, спрос на нефтепродукты принято оценивать отдельно для каждого вида. Самые известные и часто встречающееся в повседневной жизни нефтепродукты - бензин и дизель. Поэтому, практическая часть работы будет посвящена оценке спроса на данные товары.

Для выбора параметра, который будет показывать спрос на нефтепродукты, необходимо выявить его характеристические особенности. В первую очередь он, как и спрос на любой другой товар, зависит от состояния экономики в целом. Для этого принято рассматривать показатель валового внутреннего продукта или валового регионального продукта при анализе регионов. Так как спрос на нефтепродукты планируется рассматривать по округам, рассмотрим агрегирующий показатель - сумму ВРП по округам (рис. 4)

Рис. 4 Сумма ВРП по округам

Из данного графика можно видеть, что показатель ВРП растет, особенный подъем выделяется у регионов Центрального федерального округа (ЦФО). Исходя из этого, можно предположить, что в данном округе спрос на нефтепродукты наибольший. В то же время, несмотря на рост номинального ВВП, реальный ВВП может снижаться. Для более подробного анализа ВВП сравним темпы его прироста с инфляцией (табл. 4)

Таблица 4

Сравнение темпов роста агрегированного ВРП по округам с дефлятором ВВП

По данным таблицы можно заметить:

1) До 2016 года ВРП регионов ЦФО, который приносит наибольший вклад в структуре ВВП России, практически весь перекроется инфляцией при оценке его реального значения, за исключением 2013 года. Это свидетельствует о том, что бизнес в ЦФО практически не рос, а значит и не росли и его транспортные расходы. Как следствие, можно предположить, что спрос на бензин и дизель также находился в стагнации.

2) В 2017 году прирост ВРП регионов ДФО, СЗФО, СКФО меньше или равен дефлятору ВРП. Это также негативно сказывается на бизнесе. Объемы продукции не повышаются, экономика стагнирует. Вероятно, спрос на нефтепродукты также не растет.

Далее, рассмотрим прирост заработной платы населения (табл. 5).



Таблица 5

Прирост заработной платы населения

Исходя из данных, в 2015 году средняя заработная плата понизилась. Это связано с падением рубля с середины 2013 года. Население начинает тратить меньше денег, меньше потребляет, следовательно, спрос на бензин и дизель падает.

Еще один фактор, влияющий на спрос на бензин и дизель - это продажи автомобилей (рис. 5):

Рис. 5 Продажи автомобилей

По графику видно, что в 2015 году продажи новых автомобилей были ниже, чем в 2016, что подтверждает меньшее потребление населения в 2015 году. В 2018 продажи выросли, однако средний прирост - около 5%, что практически равняется инфляции. Значит, количество продаваемых фирмами и покупаемых населением и частными организациями автомобилей не растет.

Таким образом, макроэкономические параметры дают предполагать стагнацию спроса на бензин и дизель. Рассмотрим, как он себя ведет на самом деле. Для этого рассмотрим показатель отгрузки бензина и дизеля (рис. 6, 7)

Рис. 6 Отгрузка дизельного топлива, тыс. тонн

Рис. 7 Отгрузка бензина, тыс. тонн

Показатель отгрузки формируется по юридическим лицам, осуществляющим производство нефтепродуктов. При этом, учитываются не только продажи частным лицам, но и передача на заправки, склады перепродающих организаций и т. д. В целом этот показатель можно использовать как совокупный спрос на бензин или дизель для производящих нефтепродукты компаний, находящихся в конкретном федеральном округе.

Следует отметить, что преобладание тех или иных федеральных округов на графиках связано с территориальным нахождением завода и с потреблением конечного продукта в определенном округе. В целом ситуация на оптовом рынке дизельного топлива и бензина стабильная, у первого даже замечается прирост в объемах отгрузки. Связано это с переходом топлива для транспорта на дизель: водоходные суды переходят с мазута на дизель, автобусы - с бензина. Кроме того, увеличивается бизнес, обслуживаемый грузовиками, большая часть которых передвигается на дизеле.

Для оценки же потребительского спроса на бензин и дизельное топливо, который является частью ВВП, можно рассмотреть показатель розничной торговли бензином и дизельным топливом. В одном литре примерно 0,769 кг дизельного топлива и 0,735 бензина. Поделив среднюю цену дизельного топлива и бензина в литрах на соответствующие коэффициенты, мы получим стоимость одного килограмма, а поделив еще на 1 000 000 - стоимость одной тысячи тонн. После этого поделить розничную продажу в рублях на полученные цены, приведя показатели розничной продажи к объему дизеля и бензина конечного потребления. Итоги можно видеть на рис 8 и 9.



Рис. 8 Официальный объем розничной продажи дизельного топлива, тыс. тонн

Рис. объем розничной продажи бензина, тыс. тонн

В то же время данные по розничной продаже имеют пропуски и, вероятно, не вся розничная продажа бензина и дизельного топлива. отслеживается органами официальной статистики. Действительно, продажи бензина и дизельного топлива н могут быть в тысячу раз меньше оптовой. Поэтому, далее в работе за показатель спроса на нефтепродукты взят объем отгрузки.



2.2 Оценка спроса на бензин в краткосрочном будущем

Информация об объеме отгрузки бензина в будущем могут быть полезны для заводов-производителей автобензина и организаций, занимающейся его перепродажей, при моделировании плановой выручки. Продажи компаний могут оцениваться как доля в общей отгрузке по округу. Цель данного раздела - прогноз по месяцам на текущий год объема отгрузки автобензина в краткосрочном периоде. Умножив данные прогнозы на средний удельный вес отгрузки компании в общей отгрузке по федеральному округу, можно получить примерную сумму выручки компании при ее планировании.

Данные по отгрузке бензина взяты с сайта официальной государственной статистики. Значения отгрузки приведены по месяцам с января 2011 год по апрель 2019 года отдельно для каждого округа.

Для начала, рассмотрим временной ряд месячных данных по отгрузке автомобильного бензина в тысячах тонн протяженностью с января 2011 года по апрель 2019 года в целом по России (рис.10):

Рис. 10

При визуальном анализе ряда можно заключить, что явного восходящего тренда нет, ряд колеблется около одной величины, равной приблизительно 300. В то же время, можно заметить большую волатильность ряда, что может подразумевать непостоянство дисперсии. Объяснить это можно тем, что данные разделены по округам и значения отгрузки могут зависеть от региона или округа. В этом графике «смешаны» данные и по графику можно увидеть высокую волатильность, вызванную высокими значениями данных, очевидно, для Центрального округа. Это свидетельствует о том, что в совокупности по России отгрузку автобензина оценивать нельзя.

Коррелограмму ряда можно видеть на рис. 11:

Рис. 11 Коррелограмма ряда отгрузки по всей России

Из нее видно, что автокорреляционная функция ряда (ACF) сначала медленно спадает, затем снова растет, почти не затухая и меняя при этом знак, после чего сопровождается еще одним скачком в значениях. Такое поведение АСF может свидетельствовать о нестационарности ряда.

Таким образом, чтобы избежать излишней волатильности, «выбивания» значений ряда из общей картины, а также проблем, связанных с возможно нестационарным рядом, следует рассматривать отдельные временные ряды для каждого округа. На рис. 12 приведен график ряда для Центрального федерального округа:

Рис. 12 Отгрузка автобензина в Центральном федеральном округе (январь 2010 - апрель 2019)

В целом, тренда опять не наблюдается, видна некоторая сезонность. Кроме того, одно наблюдение - 249 тыс. тонн - явно выделяется на фоне остальных. Данный факт может повлиять на среднее значение, но незначительно: с наблюдением - 788 тыс. тонн, без него - 783 тыс. тонн. В дополнение, для построения модели временного ряда скользящего среднего, он должен быть непрерывным, поэтому убирать данное наблюдение нельзя.

Проверим ряд на стационарности. Для этого проведем тест на наличие единичного корня - расширенный тест Дики-Фуллера с константой, без тренда для значений уровня (рис. 13):

Рис. 13 Проверка теста на наличие единичного корня

Нулевая гипотеза о том, что ряд нестационарный, отвергается уже на значении уровня. Также, рассмотрим график коррелограммы (рис. 14):



Рис. 14 Коррелограмма отгрузки автобензина в Центральном федеральном округе (январь 2010 - апрель 2019)

Характерные особенности коррелограммы можно заметить в том, что автокорреляционная функция (ACF) начинается с положительного значения и резко обрывается после второго порядка, затем меняется ее знак. Частная автокорреляционная функция (PACF) убывает неравномерно. Такие черты могут говорить о возможности построения модели скользящего среднего второго порядка МА(2), характеристики которой приведены в таблице 6:

Таблица 6

Модель МА(2) для ряда отгрузки автобензина в Центральном федеральном округе (январь 2010 - апрель 2019)

Переменные	Коэффициент	Стандартная ошибка	t-статистика	Prob.
C	783.6682	9.815245	79.84194	0.0000
MA(2)	0.229239	0.000144	1592.309	0.0000
Коэффициент детерминации	0.038272	Среднее значение зависимой переменной	783.3673
Скорректированный коэфициент детерминации	0.029529	Дисперсия зависимой переменной	85.32582
Стандартная ошибка регрессии	84.05661	Критерий Акайке	11.71855
Sum squared resid	777206.4	Критерий Шварца	11.76710
Логарифм правдоподобия	-654.2390	Критерий Ханнана-Квина	11.73825
F-статистика	4.377395	Статистика Дарбина-Вотсона	1.543389
Prob(F-statistic)	0.038719

Модель в целом значима на 5% уровне значимости, коэффициенты перед регрессорами значимы даже на 1% уровне значимости, однако коэффициент детерминации меньше 4%, что говорит о низкой подгонке модели. Кроме того, коэффициент перед константой намного больше, чем перед МА(2).

Рассмотрим коррелограмму остатков модели (рис. 15):

Рис. 15 Коррелограмма остатков модели МА(2) для ряда отгрузки автобензина в Центральном федеральном округе (январь 2010 - апрель 2019)

И автокорреляционная функция, и частная автокорреляционная функция говорит о наличии автокорреляции первого порядка. Добавим переменную авторегрессии AR(1) (табл. 7):



Таблица 7

Модель ARМА(1, 2) для ряда отгрузки автобензина в Центральном федеральном округе (январь 2010 - апрель 2019)

Переменные	Коэффициент	Стандартная ошибка	t-статистика	Prob.
C	783.4596	12.09660	64.76695	0.0000
AR(1)	0.239259	0.093229	2.566368	0.0116
MA(2)	0.179040	0.000178	1007.881	0.0000
Коэффициент детерминации	0.093262	Среднее значение зависимой переменной	783.7832
Скорректированный коэфициент детерминации	0.076470	Дисперсия зависимой переменной	85.59866
Стандартная ошибка регрессии	82.26070	Критерий Акайке	11.68432
Sum squared resid	730816.9	Критерий Шварца	11.75755
Логарифм правдоподобия	-645.4797	Критерий Ханнана-Квина	11.71403
F-статистика	5.554119	Статистика Дарбина-Вотсона	1.982569
Prob(F-statistic)	0.005059

По приведенным данным можно сказать, что данная модель лучше предыдущей: модель в целом теперь значима на даже 1% уровне значимости, коэффициент перед AR(2) оказался значим на 5% уровне значимости, коэффициент детерминации R² увеличился до 9%. Кроме того, информационные критерии Шварца и Акайке стали меньше. Рассмотрим коррелограмму остатков (рис):

Рис. 16 Коррелограмма остатков модели

По коррелограмме также можно сделать вывод, что модель подобрана верно, так как автокорреляция остатков не наблюдается.

Проведем тест на гетероскедастичность (рис. 17)

Рис. 17 Тест ан гетероскедастичность

Из рисунка видно, что гипотеза о гомоскедастичности не отвергается на всех уровнях статистической значимости, так как вероятность того, чтобы не отклонить гипотезу, равна 23% по F-статистике и статистике Хи квадрат, то есть дисперсия ряда смоделированного ряда постоянна. В принципе, проверка на гетероскедастичность не является обязательной для составления прогноза, однако постоянство дисперсии подтверждает стационарность ряда.

Для того, чтобы проверить сезонность, были введены 12 dummy-переменных, наименования которых составлены из трех букв названия соответствующего месяца, по принципу: dummy-переменная jan равна единице при месяце января, feb - при феврале и т. д. При включении данных переменных в модель, статистически значимыми оказались лишь январь, февраль, апрель, июнь, ноябрь (табл. 8) Кроме того, незначимым оказалась AR-часть. Непонятно, почему именно эти месяцы вызывают изменения в регрессанте. Также, здесь не включена вспомогательная переменная сентября, так как иначе будет полная мультиколлинеарность. Если не включить другую переменную, статистически значимыми окажутся другие переменные. В дополнение, невозможно логически объяснить, почему именно значения ряда именно в эти месяцы поддаются другому формированию модельного ряда. Более того, в изначальной модели присутствует MA-часть, которая сглаживает данные. В связи с этим, было решено не учитывать сезонность.

Таблица 8

Переменные	Коэффициент	Стандартная ошибка	t-статистика	Prob.
C	831.8267	24.93138	33.36465	0.0000
APR	-120.0537	34.38155	-3.491805	0.0007
AUG	29.01545	32.50521	0.892640	0.3743
DEC	-22.76006	35.11002	-0.648250	0.5184
FEB	-112.0952	34.41268	-3.257381	0.0016
JAN	-91.96443	35.23700	-2.609882	0.0105
JUL	31.00183	34.22978	0.905698	0.3673
JUN	-65.81060	35.10879	-1.874477	0.0639
MAR	-75.56690	35.25489	-2.143444	0.0346
MAY	-49.23221	35.22288	-1.397734	0.1654
NOV	-57.98133	34.22979	-1.693885	0.0935
OKT	-22.36016	32.50521	-0.687895	0.4932
AR(1)	0.144890	0.100903	1.435938	0.1542
MA(2)	0.036623	0.003789	9.666005	0.0000
Коэффициент детерминации	0.342769	Среднее значение зависимой переменной	783.7832
Скорректированный коэфициент детерминации	0.254687	Дисперсия зависимой переменной	85.59866
Стандартная ошибка регрессии	73.89862	Критерий Акайке	11.56070
Sum squared resid	529717.6	Критерий Шварца	11.90244
Логарифм правдоподобия	-627.6188	Критерий Ханнана-Квина	11.69933
F-статистика	3.891461	Статистика Дарбина-Вотсона	1.988647
Prob(F-statistic)	0.000046

Перейдем непосредственно к прогнозу. Для этого расширяем в настройках Eviews выборку до декабря 2019 года. Существует два подхода к прогнозу - статистический и динамический. Первый не учитывает изменений регрессанта во времени, второй - способен учесть. Всего по модели удастся рассчитать отгрузку автобензина в Центральном федеральном округе на один месяц вперед, то есть на май (рис. 18).



Рис. 18 График статистического прогноза бензина для Центрального федерального округа

Прогнозы на последующие месяцы могут быть построены из данных модели, которые получились в результате прогнозирования на май. Таким способом удалось предсказать отгрузку автобензина в Центральном федеральном округе на три месяца вперед, то есть до июля 2019 года (рис.19). Для последующего прогнозирования необходимо добавить фактические данные по отгрузке бензина по мере их подсчета.

Рис. 19 Статистический прогноз бензина для Центрального федерального округа до июля 2019 года

Второй способ прогнозирования - динамический, учитывающий изменение регрессанта. О не так прост в использовании, как статический. Для такого прогноза нужен анализ сезонности ряда и включения ее в модель. В данной модели нет тренда, не учтена сезонность, поэтому динамический прогноз будет выводить математическое ожидание - 783,46 тыс. тонн. (рис. 20), что еще раз подтверждает, что ряд стационарный.



Рис. 20 Динамический прогноз бензина для Центрального федерального округа

Итак, была спрогнозирована отгрузка автобензина для Центрального федерального округа на три месяца. Соотношение данных модели и фактических визуально предствлены на графике (рис. 30). Можно заметить, что несмотря на низкий уровень коэфициента детерминации модели, она повторяет основные скачки в отгрузке автобензина. Явное исключение составляет поведение модели в случае выброса в фактических данных, замеченного в начале данного раздела работы - во время резкого спада в фактических данных - 268 тыс. тонн в июне 2013 года, данные модели реагируют с лагом и сглаживают данный скачок, уменьшаясь незначительно только в июле. Средняя ошибка прогноза - 55 тыс. тонн, что составляет 8%.



Рис. 30 Сравнение фактических и модельных данных для отгрузки автобензина в ЦФО

Таким же образом были составлены прогнозы для остальных федеральных округов:

1) Северо-Западный - ARIMA (0,1,1) (рис) с рассмотрением первой разности для исключения нестационарности, проверенной на расширенном тесте Дики-Фуллера: 250,5450412 для мая, 225,3620089 для июня и 219,8075334 для июля (рис. 40).

Рис 40 Представление модели отгрузки автобензина для СЗФО в Eviews

Рис. 50 Сравнение фактических и модельных данных для отгрузки автобензина в СЗФО

2) Дальневосточный федеральный округ - МА(2). Представление на рис. 51-52. Прогноз: 142,4240242; 128,7009867; 122,8383955.

Рис. 51 Представление модели отгрузки автобензина для ДФО в Eviews



Рис. 52 Сравнение фактических и модельных данных для отгрузки автобензина в ДФО

3) Южный федеральный округ - также ARIMA (0,1,1) рис. 53. Значения прогноза: 297,67 для мая, 294,4 для июня и 283,47 для июля. Соотношение данных модели и фактических визуально предствлены на графике (рис.54).

Рис. 53 Представление модели отгрузки автобензина для ЮФО в Eviews



Рис. 54 Сравнение фактических и модельных данных для отгрузки автобензина в ЮФО

4) Северо-Кавказский федеральный округ: модель -- ARIMA(0,1,2) (рис. 55). Значения прогноза: 86,86187558; 81,79187558; 85,14937558 (рис. 56)

Рис. 55 Представление модели отгрузки автобензина для СКФО в Eviews



Рис. 56 Сравнение фактических и модельных данных для отгрузки автобензина в СКФО

5) Приволжский федеральный округ: ARMA(2,2) c фиктивной переменной jan (рис 57.), равной 1 при слишком низком значении объема отгрузки автобензина в ПФО в июне 2013 (рис. 58). Значения прогноза: 624,7485904; 623,7616155; 622,7616155 тыс. тонн для мая, июня и июля 2019 года соответственно.

Рис. 57 Представление модели отгрузки автобензина для ПФО в Eviews



Рис. 58 Сравнение фактических и модельных данных для отгрузки автобензина в ПФО

6) Уральский федеральный округ: ARMA(1,1) c фиктивной переменной jan (рис. 59), равной 1 при слишком низком значении объема отгрузки автобензина в ПФО в июне 2013 (рис. 60). Значения прогноза: 216,5052512; 206,5052512; 201,5052512 тыс. тонн для мая, июня и июля 2019 года соответственно.

Рис. 59 Представление модели отгрузки автобензина для УФО в Eviews



Рис. 60 Сравнение фактических и модельных данных для отгрузки автобензина в УФО

7) Сибирский федеральный округ (СФО): модель - ARMA(1,3) с включением фиктивной переменной, равной единице в июне 2013 года из-за выброса. (Рис. 60-61). Прогноз: 86,86187558; 81,79187558; 85,14937558

Рис. 60 Представление модели отгрузки автобензина для СФО в Eviews



Рис. 61 Сравнение фактических и модельных данных для отгрузки автобензина в СФО

Таким образом, судя по полученным прогнозам, почти в каждом округе ожидается понижения отгрузки автобензина в среднем на 3%. Исключения составляют Центральный, Приволжский и Северно-Западный федеральные округа: по ним в среднем отгрузка остается почти на том же уровне на протяжении трех последующих месяцев.

2.3 Альтернативный способ оценки спроса

Как уже было описано ранее, взятие отгрузки как спроса не бензин и дизельное топливо, не является спросом конечных потребителей. В то же время, по розничным продажам данных оказалось недостаточно, чтобы справиться с задачей оценки спроса конечных потребители. Поэтому, рассмотрим еще один метод оценки спроса на нефтепродукты.

Суть метода состоит в том, что спрос оценивается по среднему пробегу для каждого субъекта по формуле:

Ср. спрос = Средний пробег по субъекту в километрах * Средний расход топлива в литрах * коэффициент перевода в тыс. тонн (0,735/1000000 для бензина и 0,769/10000000 для дизельного топлива, т. к. в одном литре 0,735 и 0,796 кг бензина и дизельного топлива соответственно) * Кол-во транспорта * Удельный вес транспорта на данном виде топлива.

Например, для вычисления спроса на бензин АИ 92 со стороны легковых машин в республике Адыгея в 2010 году Ср. спрос = 7 218 (средний пробег) * 10, 84 / 1000 (ср. расход бензина на 1 км) * 0, 79 (удельный вес автомобилей на бензине АИ 92 во общем числе автомобилей) * 0,735 = 45,45 тонн (чтобы получить в тысячах, разделить еще на тысячу). Таким образом был посчитан спрос на бензин и дизель со стороны грузовиков категории N1, N2, N3; автобусов категорий M2, M3 и легковых машин М1, предсказан до 2019 года по методу наименьших квадратов, исходя из временного ряда (функция Excel «Тенденция», так как для полного эконометрического анализа временной ряд ограничен9 наблюдениями), обобщен по федеральным округам и визуально представлен на рисунках 62-67 и приложениях 2-7.

Рис. 62 Спрос на ДТ со стороны грузовиков категории N1



Рис. 63 Спрос на бензин со стороны грузовиков категории N1

Рис. 64 Спрос на ДТ со стороны легковых машин



Рис. 65 Спрос на бензин АИ 95 со стороны легковых машин

Рис. 66 Спрос на бензин АИ 95 со стороны легковых машин

Стоит сказать, что на графиках потребления бензина и дизельного топлива легковыми автомобилями помимо ЦФО, также активно потребляется автомобилями Северо-Западного округа. Также, гипотеза о том, что в 2015 году население потребляло меньше топлива отклоняется в рамках данной модели. В то же время ограничение данной модели в том, что данные усреднены и, может быть, в действительности, было немого по-другому.

Подводя итог главы, следует отметить:

1) Спрос на бензин и дизельное топливо зависит от ситуации в стране. В настоящее время экономика пребывает в длительной стагнации, поэтому значительного повышения спроса на бензин и дизельное топливо не ожидается;

2) Отгрузка топлива - спрос на продукцию нефтяных заводов. Несмотря но то, что этот показатель не характеризует спрос конечных потребителей, заводы и объединения организаций с заводами, производящими дизель и бензин, могут использовать прогноз данного показателя для планирования финансового результата в следующем месяце.

3) Для краткосрочного прогноза были выбраны методы, не требующие ежемесячных данных по макропоказателям и другим возможным регрессорам - методы скользящего среднего и авторегрессии.

4) Прогнозы подтвердили предположение о том, значительного повышения спроса на бензин и дизельное топливо не ожидается;

5) Альтернативный метод оценки спроса - по среднему удельному потреблению топлива на километр, количеству транспортных средств и среднему по субъекту разбегу. Данный метод позволяет оценить спрос конечных потребителей, однако его минус состоит в усредненности.



Заключение

В ходе данной работы удалось определить понятие спроса и спроса на нефтепродукты, рассмотреть методы предыдущих исследований по оценке спроса на нефтепродукты и в конечном счете, провести оценку спроса на такие нефтепродукты, как дизель и бензин и произвести прогноз.